Я застосував подібний підхід генератора-верифікатора для використання моделей у дослідженнях теоретичної фізики. Людські експерти на передовій науки можуть покращити моделі Верифікатора настільки, що автономна робота є надзвичайно сильною навіть у реальних дослідницьких задачах (не просто на штучних математичних конкурсах = добре поставлених задачах, які люди можуть розв'язати за обмежений час). DeepSeekMathV2 Синергія між генератором і верифікатором Генератор доказів і верифікатор утворюють самовдосконалюваний зворотний зв'язок. Оскільки генератор створює дедалі складніші докази, вони кидають виклик перевірювачу, виявляючи слабкі місця, які стають новими навчальними даними. Спочатку людські експерти керували повторним навчанням верифікатора, переглядаючи його позначені проблеми — процес, який став ефективним завдяки генерації кількох спроб перевірки на кожне доказування. Ця «мета-верифікація» (перевірка результатів верифікатора, а не доказів безпосередньо) виявилася легшою для людей і більш засвоєною для LLM. Масштабуючи кількість аналізів і навчання верифікаторів на цих анотаціях із допомогою ШІ, верифікатор досяг рівня надійності, коли людське втручання у фінальних запусках більше не було потрібне — що закрило коло між автоматизованим генеруванням доказів і перевіркою.

Це описує перехід від базового конвеєра Генератор-Верифікатор із використанням готових моделей до такого, в якому сам Верифікатор був удосконалений за допомогою даних з навчання експертів, що використовуються в метаверифікації.